Optimiza el uso de GPUs en Kubernetes al consolidar cargas de trabajo subutilizadas

En entornos de producción con Kubernetes, la discrepancia entre los requisitos de los modelos y el tamaño de las GPU genera ineficiencias. Modelos ligeros de reconocimiento automático de voz (ASR) o texto a voz (TTS) pueden requerir solo 10 GB de VRAM, pero ocupan una GPU entera en implementaciones estándar de Kubernetes. Esto se debe a que el programador asigna un modelo a una o más GPUs y no puede compartir fácilmente los recursos entre diferentes modelos.

Resolver este problema no solo implica reducir costos; también se trata de optimizar la densidad del clúster para atender a más usuarios concurrentes con el mismo hardware de alta gama. Esta guía detalla cómo implementar y evaluar estrategias de particionamiento de GPU, específicamente NVIDIA Multi-Instance GPU (MIG) y el uso de time-slicing, para aprovechar al máximo los recursos computacionales.

Utilizando una tubería de IA de voz de grado de producción como campo de prueba, mostramos cómo combinar modelos para maximizar el retorno de la inversión en infraestructura, manteniendo una confiabilidad superior al 99% y estrictas garantías de latencia.

Abordando la fragmentación de recursos de GPU

Por defecto, el Plugin de Dispositivo NVIDIA para Kubernetes muestra las GPUs como recursos enteros. Un pod solicita nvidia.com/gpu: 1, y el programador lo asocia a un dispositivo físico.

Modelos de lenguaje grandes (LLMs) como NVIDIA Nemotron, Llama 3 o Qwen 7B/8B requieren computación dedicada para mantener un bajo tiempo hasta el primer token (TTFT) y un alto rendimiento por lotes. Sin embargo, los modelos de soporte en una tubería de IA generativa, como modelos de incrustación, ASR, TTS o guardrails, a menudo utilizan solo una fracción de una tarjeta. Ejecutar estos modelos ligeros en GPUs dedicadas resulta en:

• Baja utilización: La utilización de cómputo de GPU a menudo se mantiene entre el 0-10%.
• Exceso de nodos: Se necesitan más nodos para ejecutar la misma cantidad de pods.
• Fricción en el escalado: Agregar una nueva capacidad requiere una nueva GPU física.

Para solucionar esto, debemos romper la relación 1:1 entre pods y GPUs.

Arquitectura: Estrategias de particionamiento

Evaluamos dos estrategias principales para el particionamiento de GPUs respaldadas por el Operador de GPU de NVIDIA.

Particionamiento basado en software: Time-slicing y MPS

El time-slicing permite que múltiples procesos de NVIDIA CUDA compartan una GPU intercalando la ejecución. Funciona de manera similar a un programador de CPU: el contexto A se ejecuta, se pausa y luego se ejecuta el contexto B.

• Mecanismo: Programación a nivel de software a través del controlador CUDA.
• Ventajas: Maximiza la utilización. Permite el “bursting”: si el Pod A está inactivo, el Pod B puede usar el 100% de los núcleos computacionales de la GPU.
• Desventajas: Sin aislamiento físico. Un desbordamiento de memoria (OOM) en un pod puede afectar el contexto de ejecución compartido, y un alto cómputo en un pod puede limitar a los vecinos (el efecto “vecino ruidoso”).

Además del time-slicing, el Servicio de Múltiples Procesos de NVIDIA (MPS) ofrece un enfoque alternativo basado en software. MPS permite que múltiples procesos compartan los recursos de GPU simultáneamente utilizando una arquitectura de servidor-cliente. Esto proporciona más flexibilidad que MIG y es más resistente a ciertos problemas como fugas de memoria en comparación con el time-slicing estándar.

Sin embargo, en producción, ambos métodos comparten un único contexto de ejecución, limitando el aislamiento. Mientras que el MPS moderno proporciona espacios de direcciones virtuales aisladas, carece de aislamiento de fallos a nivel de hardware. Esto significa que un error de ejecución fatal o un acceso a memoria ilegal en un proceso se propagará a través del contexto compartido, lo que podría llevar a un reinicio de la GPU que afecte a otros procesos que comparten la tarjeta.

MIG: El enfoque de hardware para el particionamiento

MIG particiona físicamente la GPU en instancias separadas, cada una con su propia memoria dedicada, caché y multiprocesadores de transmisión (SMs). Para el sistema operativo y Kubernetes, estas parecen dispositivos PCI separados.

• Mecanismo: Aislamiento a nivel de hardware.
• Ventajas: Estricta calidad de servicio (QoS). Una carga de trabajo no puede afectar el rendimiento o la estabilidad de memoria de otra.
• Desventajas: Tamaño rígido. Si una partición está inactiva, sus recursos computacionales no pueden ser “tomados prestados” por un vecino.

Mientras que el time-slicing ofrece flexibilidad, MIG es preferido para entornos de producción donde se requiere un estricto aislamiento de fallos a nivel de hardware para cumplir con los SLA empresariales. El particionamiento de hardware asegura que un error de memoria en un modelo no pueda causar una falla en cascada a través de la GPU compartida, un requisito crítico para la IA de voz en misiones.

Configuración experimental: La tubería de IA de voz

Para validar estas estrategias en un escenario realista de producción, utilizamos una tubería de IA de voz multimodal. Esta carga de trabajo es ideal para la evaluación porque mezcla tres patrones de tráfico distintos:

Antes de optimizar, es crucial entender nuestro perfil de latencia. En nuestra tubería de voz a voz, el LLM es el principal cuello de botella. Bajo cargas pesadas, el LLM representa aproximadamente 9 segundos del tiempo total de procesamiento. Este retraso puede fluctuar significativamente según la longitud del contexto; por ejemplo, escenarios de alta entrada (como entrenar usuarios) o historias de conversación en crecimiento aumentan la sobrecarga de procesamiento en comparación con breves indicaciones. A medida que la historia se acumula, el LLM debe procesar más tokens antes de generar una respuesta, extendiendo el cuello de botella que los modelos de soporte deben enmascarar.

Consolidar modelos de soporte como ASR y TTS proporciona un camino estratégico para maximizar la utilización del hardware mientras se mantiene la capacidad de respuesta de extremo a extremo. Si bien la consolidación puede introducir un ligero ajuste de latencia de 100-200 ms, las ganancias en el rendimiento de la infraestructura y el ROI son significativas.

Nuestra hipótesis

Consolidar cargas de trabajo de ASR y TTS en una sola GPU preserva latencia y jitter mientras libera recursos computacionales para instancias adicionales de LLM.

Experimento

Diseñamos tres configuraciones distintas para realizar pruebas. En cada ronda, utilizamos tres muestras de voz, esperando que la primera respuesta de LLM+TTS se completara. La configuración utilizó un clúster de Kubernetes, modelos desplegados mediante NVIDIA NIM y gestionados por el Operador de NVIDIA NIM. El nodo trabajador tenía acceso a tres GPUs NVIDIA A100 Tensor Core.

• Experimento 1: Línea base con tres GPUs
  • Configuración: Una GPU dedicada para cada modelo (LLM, ASR, TTS).
  • Objetivo: Establecer el “estándar de oro” para latencia y rendimiento en comparación con la optimización.
  • Recurso: nvidia.com/gpu: 1 por pod.
• Experimento 2: Time-slicing con dos GPUs
  • Configuración: LLM mantiene una GPU dedicada. ASR y TTS comparten la GPU 0 utilizando time-slicing a nivel de software.
  • Objetivo: Probar si la programación dinámica puede manejar la contención de “vecinos ruidosos” entre ASR en streaming y TTS intermitente.
  • Recurso: nvidia.com/gpu: 1 (Compartido mediante replicas: 2).
• Experimento 3: Particionamiento MIG con dos GPUs
  • Configuración: LLM mantiene una GPU dedicada. La GPU 0 se partitiona físicamente en dos instancias aisladas.
  • Objetivo: Probar si el aislamiento de hardware proporciona mejor estabilidad que la programación por software.
  • Recurso: nvidia.com/mig-3g.40gb: 1 por pod.

Nota de configuración: Para lograr estas topologías, utilizamos configuraciones específicas dentro del Operador de GPU de NVIDIA.

• Para el Experimento 2, utilizamos la configuración timeSlicing para anunciar múltiples réplicas por GPU física.
• Para el Experimento 3, aplicamos un ConfigMap personalizado mig-configs para particionar la GPU en dos instancias de 3g.40gb.

(Para los comandos exactos de kubectl y los manifiestos YAML utilizados para reproducir esta configuración, consulte el Apéndice de Implementación al final de esta publicación).

Resultados

Para evaluar la fragmentación de recursos, probamos el sistema con dos patrones de tráfico distintos:

• Carga ligera: 5 usuarios concurrentes simulando ~135 segundos de interacción sostenida.
• Carga pesada: 50 usuarios concurrentes simulando ~375 segundos de interacción sostenida.

La Figura 5 compara el rendimiento de inferencia de IA generativa en función de los patrones de tráfico. Los datos muestran cómo el particionamiento afecta las solicitudes de procesos a medida que aumenta la concurrencia, comparando la línea base (GPUs dedicadas), el time-slicing (compartición por software) y MIG (particionamiento por hardware) bajo cargas ligeras y pesadas. Todos los experimentos tienen una tasa de éxito del 100%, sin fallos. La tasa actual de req/s es la razón del cuello de botella del LLM en la tubería.

Métricas de latencia media

El análisis siguiente evalúa cómo diferentes estrategias de particionamiento de GPU impactan la eficiencia y la capacidad de respuesta del sistema en general.

Rendimiento en comparación con la latencia

Consolidar las cargas de trabajo de ASR y TTS en una sola GPU resulta en un pipeline optimizado, lo que permite que el clúster soporte más flujos de IA simultáneos. Sin embargo, nuestros benchmarks revelan una divergencia crítica de rendimiento entre las dos estrategias de particionamiento:

1. MIG (hardware): Mayor eficiencia

El Experimento 3 logró la mayor productividad por unidad, alcanzando ~1.00 req/s por GPU. Al proporcionar rutas de hardware dedicadas para cada instancia, MIG elimina la contención de recursos. Las organizaciones pueden alcanzar casi la capacidad total del sistema mientras liberan efectivamente una GPU entera para otras cargas de trabajo LLM pesadas.

1. Time-slicing (software): Mayor densidad con sobrecarga

El Experimento 2 demostró que la compartición a nivel de software también puede mejorar la densidad por GPU en comparación con la línea base, logrando ~0.76 req/s por GPU. Sin embargo, la gestión del controlador CUDA de los rápidos cambios de contexto entre modelos en streaming y modelos intermitentes introduce una sobrecarga de programación. Aunque funcional, este enfoque basado en software no alcanza la eficiencia de rendimiento total proporcionada por el particionamiento de hardware.

Latencia y el factor de intermitencia

El time-slicing maneja tareas individuales intermitentes ligeramente más rápido, con una latencia media de TTS de 144.7 ms en comparación con los 168.2 ms de MIG. Sin embargo, esta diferencia de 23.5 ms representa una pequeña fracción del tiempo total de respuesta de la tubería en la escala actual. Bajo carga pesada, el LLM representa la mayor parte del tiempo total de interacción. Dado que el usuario final no puede percibir un delta de 20 ms dentro de una respuesta de varios segundos, la estabilidad de rendimiento de MIG es una métrica de producción más valiosa.

Recomendaciones para el particionamiento

Basado en los datos de referencia, recomendamos el siguiente matriz de decisiones:

1. Usar MIG por defecto para escala y estabilidad en producción
   • El Experimento 3 mostró que MIG maneja volúmenes de solicitudes más altos (2 req/s) con solo un pequeño compromiso en latencia.
   • El estricto aislamiento de fallos a nivel de hardware evita que un desbordamiento de memoria en un proceso bloquee a otro.
   • Mejor para entornos de producción donde el rendimiento y la confiabilidad del 100% son prioridades.
2. Usar time-slicing para desarrollo o aplicaciones de baja concurrencia
   • Esto implica una reducción del 32% en el rendimiento total y dependencias de recursos compartidos.
   • Mejor para desarrollo, CI/CD y PoCs para ejecutar una tubería completa con una huella de hardware mínima.

Comienza

1. Experimenta más: Prueba el repositorio.
2. Implementa el particionamiento: Sigue nuestra Guía de Implementación para configurar perfiles MIG y usar los manifiestos YAML proporcionados para eliminar la fragmentación de recursos en tu clúster.
3. Escala con NIM: Despliega tuberías NVIDIA NIM para aprovechar al máximo tus cargas de trabajo de ASR, TTS y LLM para un ROI máximo.